从信用卡行业整体发展来看，近年来行业发卡量持续放缓，很多银行相应地进行了经营战略的转型调整，激活存量客户，增加客户粘性是未来发展的重要目标。同时，发挥智能服务体系的协同作用，提升服务质量，提高服务效能，让客户满意，是加大智能化应用纵深的内在要求，而智能质检，是其中的一个重要延展的方向。

　　据了解，同业中普遍使用两类质检系统，本质上为基于转文本和音素（发音）分析，以智能质检和语音分析为主要业务应用方向。

　　基于转文本的智能质检系统，是将交互对话转化成文字，然后对文字进行质检和分析，后续所有工作与转译的准确率高度关联。得益于系统的算法或联想等功能，系统在反复训练后“听”得懂客户和坐席的对话，转文本过程中会对语义补齐翻译，这对于语音分析影响不明显，但对于精准度要求较高的智能质检来说则会产生影响。

　　基于音素分析是利用音素（发音）为基础进行筛选，这个过程可以理解为拼音或音标，优势在于原版呈现对话过程，凸显真实还原，难点在于模型的构建，因为模型训练的是语义的关联关系，因此建模难度比从转译好的文本中提取关键词更大，语音分析难度加大。

　　关于智能质检的应用，普遍集中在三个方向：一是通过系统提供的平均通话时长、抢插话时长占比等数据类指标，发现客服人员问题；二是通过语音分析模型筛查专项录音，缩小核听范围，再由质检人员听检；三是运用语音分析模型定性分析，重点对客服中心关心的业务（如营销）进行反向分析，即确定人员名单，对已圈定人员范围的电话录音进行分析，查找优秀案例或优秀话术。

　　目前，部分同业已经开始探索实时质检，在于客户进行交互的同时，开展自动质检评分、敏感词告警以及话术及流程引导等。

　　对于信用卡客户服务业务来说，由于业务非常复杂，客户一通来电往往会询问或办理多个业务，在开放的问答场景中，识别和定位业务难度大。很多业务的交谈内容相似度极高，例如客户查询已办理完成的分期情况和是否能够办理分期，核身条件中核对最后一笔交易情况和挂失环节中核对最后一笔交易，关键词汇使用几乎是一致的，这也对业务定位的准确性带来困难。

　　基于转文本的质检系统，系统转译时自行补充或替换看似对语义没有产生影响，但对智能质检的准确性会带来干扰，同时对于专业名词转译和新业务转译训练需要一定周期，还需要大量的人为干预和训练，增加了后续的运营成本。

　　基于音素的质检系统，模型的覆盖率和准确性同等重要，但犹如天平的两端需要进行取舍，因此建模和做语音分析的难度加大，建模师的经验在建模中更加重要，因为这个平衡点是在一次次验证中积累的。

　　经过两年的努力，我们通过一系列的实施方案，创建了适合我行信用卡的智能质检的方法论以及模型持续优化的工作闭环，在强化服务质量的同时，降低质检成本，实现了个人业务质检差错的精确定位。目前我中心已完成对挂失、销卡、证件有效期、分期营销等多项业务场景的质检模型监控，场景包括客户服务的关键环节、高风险业务、价值营销、客户关怀等方面，专项业务质检模型，交付上线前准确率85%以上，过程调优后覆盖率和准确率可达到90%，基本达成了精确筛查专项业务质检差错的目标。

　　通过关键数据组成象限图，可以直观了解所有客服人员基本服务行为的分布情况，为后续服务行为分析做基础。通过基础数据和智能质检结果，我们可以了解业务办理情况，客服人员基本数据表现，同时，可以对个人进行服务诊断，提出针对性的优化方案。

　　通过智能质检通过基础数据和智能质检结果，我们可以了解业务办理情况，客服人员基本数据表现，可以对个人进行服务诊断，提出针对性的优化方案；专项业务的质检覆盖率达到平均80%以上，专项质检效率提升16倍。由3名语音分析人员，准确定位百万电话量级的个人差错，折合每年节约百万的质检成本，初步实现了从“客户听见”到“系统听见”设想。智能质检让服务过程更加透明化，同时能够更加及时地掌握客服人员和客户的反馈信息。相信随着智能质检模型的不断丰富，项目的应用效果会更加明显。

　　这是建模初期最常见的问题，产生的原因除了业务复杂和定位词重合度高之外。智能质检系统仅能将录音作为质检范畴，缺少了录屏的辅助，对操作类的业务筛查将受到限制。

　　我们结合NICE系统情况，创立了模型建设定位方案，首先确认适合智能质检的业务场景，这是建模成功的前提；当确认业务后，对业务流程进行详细拆解，分解成可进行建模的最小单位；第三，通过数据交叉等多种手段，尽可能精准业务定位；第四，建模完成后，建模师需要进行覆盖率和准确率的核检，达到交付标准后才能交给业务团队进行后续使用。

　　第二个问题是模型检出范围不准，产生的原因多为用词片面，不能代表多数的表达方式。为此，我们引入了模型群组的概念并确认模型的构建思路。业务节点的智能质检往往需要多个模型建立群组共同作用。建模方法和思路大致分为两种：一是化整为零，圈定范围后去除干扰录音。二是化零为整，以叠加的方式进行模型积累。这两种方式各有优缺点，虽然建立模型没有固定的要求，多取决于语音分析建模师的工作习惯和既成的思路。

　　智能质检模型上线使用后，经过一段时间准确性将会下降，在实际操作的过程中，我们发现其原因大致分为：

　　一是以偏概全，建模训练的是样本录音中人的发音习惯，如果抽取的样本录音集的范围并不具有代表性，则在整体录音核查的时候就会不准；二是客服人员流动性的影响，当新人注入时，他们的发音习惯尚未被系统识别。三是个体差异，虽然有明确的话术，但是每位客服人员的语义表达仍然略有不同。我们的做法是隔一段时间需要进行模型的调优，交付和使用两个阶段是持续循环往复的过程。

　　为了让模型的准确率和覆盖率保持在一个相对恒定的范围，我中心制定了模型的持续反馈优化机制。持续反馈优化机制由服务分析团队、质检团队、业务团队以及其他模型使用团队组成，将模型应用切分为模型建立及交付、后续筛查交接，核检及反馈、再优化四个环节，每个环节增加准确率和覆盖率的审核保障。与此同时，在核检和反馈环节，我们采取一事一议的方式，对每个实现智能质检的业务采取定制化核检反馈，提高反馈效率。

　　结合以上内容，我们再来思考客户听见和系统听见。系统听见从结果来说，是系统听懂人在说什么，从过程来讲，系统经过了大量语料内容的反复训练，可能系统会比客户更加明白坐席说了什么。而客户听见，是客户不仅听到了客服人员的语言内容，同时听到了客服人员传递给客户的情绪和情感。所以，系统听见并不能完全代表客户听见。从业务上来说，当前的技术程度，智能质检不能完全替代人工质检，这是业务定位的问题。从功能上来说，质检系统本身有各自的局限性，我们对于智能质检系统的期望应在一个合理的区间。

　　我认为未来智能质检和语音分析的发展，将趋向个性化，更加突显各行差异化特点。总的来说，在智能质检方面，智能质检的进一步发展，将实现质检量级的突破，促进管理效率的奇点质变，从管理者来讲，由原来小组抽查为单元的管理模式，变成可了精确到个人，跟踪其全量真实表现，从管理精细度的飞跃，也需要管理者在管理思维上进行适应性的改变；对与客服人员来说，智能质检降低了客服人员侥幸心理，更加注重个人的服务过程。在客户体验分析方面，语音分析提供了一个新的分析维度，改变以往靠专家头脑风暴的客户体验分析模式，通过多维度的数据分析方法进一步量化客户体验。

-扫码关注获取更多精彩内容-

　　NICE（纳斯达克股票代码：NICE）是全球领先的云端和本地企业软件解决方案提供商，帮助企业根据结构化和非结构化数据的高级分析做出更明智的决策。NICE帮助各种规模的企业提供更好的客户服务，确保合规，打击欺骗行为，保护公众安全。全球150多个国家/地区的25，000多家组织正在使用NICE的解决方案，其中包括《财富》全球100强中的85家企业。www.nice.com